随着社会生活智能化的发展以及对公共安全性要求的提高，视频监控系统开始广泛的应用到学校、医院、社区、银行等公共场所，并逐渐在社会公众安全领域发挥起至关重要的作用。本文针对智能视频监控系统中的如晕倒、打架等简单异常行为进行研究，以CASIA行为数据库为训练样本库，采用基于模版匹配和基于支持向量机的两种检测方法，取得了较好的识别效果。　　基于模板匹配的检测方法包括行为模板训练和异常行为检测两个阶段:(1)行为模板训练阶段:以异常行为视频段（如晕倒或打架行为）为学习样本，首先，针对全局时空信息的方法存在计算量大、易受光照、遮挡等外界条件的影响等缺点，根据人体运动时在时间和空间中存在剧烈变化的位置的特点，采用时空特征点对样本视频中的行为进行局部描述，采用具有尺度不变性的Hessian矩阵方法获得学习样本的时空特征点;其次，由于特征点之间仍然是孤立的点，为了细致描述行为特征，借鉴SURF的思想结合时空特征点周围信息在三维空间对时空特征点构建描述符;再次，为更具体的体现异常行为特征，对学习样本的全部描述符采用NERF C-Mean方法聚类，并对聚类后的各类描述符采用EM-GMM方法构建行为模型;最后，计算每个学习样本的时空特征点描述符隶属于各类GMM模型的概率分布向量vi（i为视频段的个数），将所有学习样本的vi组成编码表，作为行为检测的模板。这样不同异常行为可以获得各自对应的不同模板。(2)异常行为检测阶段:对测试视频提取特征点并构建描述符，计算每个测试视频段的描述符隶属于各类GMM模型的概率分布向量uj，用直方图相交法分别计算这一分布向量uj与编码表中每个的vi相似度并取最大值sj，当sj大于一定的阈值时就认为异常，否则为正常行为。　　基于支持向量机的异常行为检测方法包括训练阶段和检测阶段两个方面:训练阶段，以正常和异常行为视频段为训练样本，分别提取时空特征点并构建描述符，计算各个样本的描述符隶属于GMM模型的概率分布向量作为样本的最终描述，结合样本标签（异常为“-1”，正常为“+1”）输入支持向量机训练，首先采用交叉验证法获取SVM最佳参数，在最佳参数下训练支持向量，得到训练样本的最佳分类模型;检测阶段，计算测试视频的描述符隶属于各类GMM模型的概率分布向量，作为视频段的描述向量，依据训练阶段得到的SVM模型预测测试样本标签，判断其行为的正常与否。　　本文首先在CASIA行为分析数据库中对提出的两种方法进行了多次试验，根据描述符和模型参数在模板匹配方法中绘制ROC曲线，设定匹配阈值，晕倒行为识别率达到88.42％，打架行为识别率达到90.62％; SVM方法中自动选择相关系数，训练支持向量机，晕倒识别率达到87.37％，打架行为识别率达到93.75％。两种方法具有较好的识别效果，但基于SVM的方法与基于模板匹配的方法相比较，在运动较剧烈的行为识别中更有效。然后，采用自行拍摄的行为视频与基于CASIA数据库形成的行为模板进行匹配，也取得了较好的识别效果。试验验证了算法具有较好的性能，说明算法能够有效地检测智能监控视频中的简单异常行为。